AWS Machine Learning Specialty
Examen blanc AWS MLS-C01
RetiréPlus de 136 questions avec des explications détaillées. Simulation chronométrée réaliste.
À propos de cet examen
La certification AWS Certified Machine Learning Specialty (MLS-C01) valide votre capacité à concevoir, implémenter, déployer et maintenir des solutions de machine learning sur AWS. Cet examen est nettement plus technique que les certifications de niveau associate et exige une compréhension approfondie de l'ensemble du pipeline de ML : collecte des données, ingénierie des données, analyse exploratoire, feature engineering, entraînement des modèles, réglage des hyperparamètres, évaluation et déploiement. Vous devrez savoir quand utiliser SageMaker, Comprehend, Rekognition, Translate, Polly, Lex et les autres services d'IA/ML. L'examen évalue en profondeur votre aptitude à choisir l'algorithme adapté à un problème donné : classification, régression, clustering, prévision et détection d'anomalies. Attendez-vous à des questions sur les techniques de préparation des données, notamment le traitement des valeurs manquantes, la mise à l'échelle des variables, la réduction de dimension par ACP et la gestion des jeux de données déséquilibrés. Cette certification est idéale pour les data scientists et les ingénieurs ML qui construisent des systèmes de ML en production sur AWS.
Ce que vous allez apprendre
Format de l'examen
Score de réussite
750 sur 1000
Questions
65 questions (50 notées, 15 non notées)
Durée limite
180 minutes
Format
Choix unique et choix multiples
À qui s'adresse cet examen
- Data scientists déployant des modèles de ML sur AWS
- Ingénieurs en machine learning construisant des pipelines de ML en production
- Ingénieurs logiciels en transition vers des rôles de ML
- Référents techniques supervisant des projets de ML sur une infrastructure AWS
Prérequis recommandés
- Au moins 2 ans d'expérience pratique des charges de travail de ML et de deep learning sur AWS
- Solide compréhension des algorithmes de ML (apprentissage supervisé, non supervisé et par renforcement)
- Expérience des pipelines d'ingénierie de données (S3, Glue, Kinesis, Athena)
- Maîtrise de Python et connaissance des frameworks de ML (TensorFlow, PyTorch, scikit-learn)
Conseils pour l'examen
Maîtrisez SageMaker de bout en bout : algorithmes intégrés (XGBoost, Linear Learner, BlazingText), tâches d'entraînement, endpoints et batch transform
Comprenez le découpage des données (entraînement, validation, test) et les techniques de validation croisée
Étudiez les matrices de confusion, la précision, le rappel, le score F1 et l'AUC-ROC — vous devrez interpréter les performances de modèles
Sachez quand utiliser Kinesis Data Streams plutôt que Kinesis Firehose pour l'ingestion de données de ML en temps réel
Certifications associées
Plan de l'examen
Durée
180 minutes
Questions
Plus de 136 questions
Format
Choix multiples
Environnement de simulation sûr et sécurisé